函數格式scipy.optimize.linprog(c, A_ub=None, b_ub=None, A_eq=None, b_eq=None, bounds=None, method='simplex', callback=None, options=None)今天閱讀數據建模第一章線性規劃問題，問題描述如下：通過介紹我們知道了線性規劃，就是目標函數及約束條件均為線性函數。通過畫圖我們可知，X1，X2的最優解為2，6，目標值為26。我們如何時候這個scipy的公式來計算這個值呢:

>>> c = [-1, 4]
>>> A = [[-3, 1], [1, 2]]
>>> b = [6, 4]
>>> x0_bounds = (None, None)
>>> x1_bounds = (-3, None)
>>> from scipy.optimize import linprog
>>> res = linprog(c, A_ub=A, b_ub=b, bounds=(x0_bounds, x1_bounds),
...               options={"disp": True})
>>> print(res)
Optimization terminated successfully.
     Current function value: -11.428571
     Iterations: 2
status: 0
success: True
fun: -11.428571428571429
x: array([-1.14285714,  2.57142857])
message: 'Optimization terminated successfully.'
nit: 2

上面是官方給出的案例，我們很難看出來這個怎么求解最大值，不過英語好的也可以把。言歸正傳，我們先結合官網是思路得出最小值的解。

In [1]:c = np.array([4,3])
In [1]:a = np.array([[2,1],[1,1]])
In [1]:In [1]:b = np.array([10,8])
In [1]:optimize.linprog(c,a,b,bounds=((0,None),(0,7)))
Out[1]: 
 fun: -0.0
message: 'Optimization terminated successfully.'
 nit: 0
 slack: array([ 10., 8., 7.])
 status: 0
success: True
 x: array([ 0., 0.])

按照正常的計算 我們得出了最小值為0，且x的兩個值為 0 ， 0。對于上面的的公式有必要說明的是，bounds是針對x的最大最小一次給一個值，從題目可知，x1的取值范圍為大于0，最小值就為0，最大值沒有約束，被其他的條件所約束就可以了 ，沒有明確，所以是寫的 （0，None）,而相對x2來說，他最小值為0，最大值被C約束，為7。所以范圍為（0，7），當有三個求解的時候，依次增加，不可省略。接下來我們說這個最大值怎么求，其實只要對C取反我們就可以求除最大值的負數，對結果在取反回來就可以了

In [1]:optimize.linprog(-c,a,b,bounds=((0,None),(0,7)))
Out[1]: 
     fun: -26.0
 message: 'Optimization terminated successfully.'
     nit: 2
   slack: array([ 0.,  0.,  1.])
  status: 0
 success: True
       x: array([ 2.,  6.])

是不是很簡單，得到的-26取反回來就是我們的最大值求解了，（2，6）就是我們的X1,X2取值了。其實有時候那個條件為>,>=的時候我們要寫成<,<=的模式，一樣對參數和結果取反就行了。我這里在補充一個求三個解的實例：我們的最優解為 14.57

總結

以上是生活随笔為你收集整理的使用Python scipy linprog 线性规划求最大值或最小值(使用Python学习数学建模笔记)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。